CN112329789B - 点云的提取方法、装置、计算机设备和存储介质 - Google Patents
点云的提取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112329789B CN112329789B CN202011083755.4A CN202011083755A CN112329789B CN 112329789 B CN112329789 B CN 112329789B CN 202011083755 A CN202011083755 A CN 202011083755A CN 112329789 B CN112329789 B CN 112329789B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- grid
- effective
- initial point
- target object
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Processing Or Creating Images (AREA)
Abstract
本申请涉及点云地图处理技术领域,提供了一种点云的提取方法、装置、计算机设备和存储介质。本申请提高从点云地图中提取稠密点云的效率。该方法包括:获取点云地图中目标对象的初始点云,然后将点云地图进行网格化,获取包含有初始点云的多个有效网格,接着根据初始点云在各个有效网格中的位置分布,将表征各有效网格中点云集中分布的位置点作为各有效网格对应的网格点,并利用这些网格点拟合出点云地图中目标对象的拟合面,最后根据该拟合面与初始点云之间的距离从初始点云中提取目标对象的点云。
Description
技术领域
本申请涉及点云地图处理技术领域,特别是涉及一种点云的提取方法、装置、计算机设备和存储介质。
背景技术
随着计算机视觉和智能驾驶等技术的发展,出现了基于点云地图的多方面研究与应用,其中包括点云地图构建、点云数据处理和点云地图在智能驾驶技术中的应用等。
对点云地图数据处理中涉及从点云地图中提取点云的技术。传统技术所提供的方案是通过深度学习的方式从点云地图中识别出目标对象的点云,但这不仅需要花费较多的数据和时间资源训练出精度符合要求的深度学习网络,而且深度学习网络针对目标对象的点云进行识别的过程耗时也较长,导致这种技术在提取点云的过程中效率较低,而其所采用的技术相对复杂。
发明内容
基于此,有必要针对上述技术问题,提供一种点云的提取方法、装置、计算机设备和存储介质。
一种点云的提取方法,所述方法包括:
获取点云地图中目标对象的初始点云;
网格化所述点云地图,获取包含有所述初始点云的多个有效网格;
根据所述初始点云在各有效网格中的位置分布,将表征所述各有效网格中点云集中分布的位置点作为所述各有效网格对应的网格点;
利用所述各有效网格对应的网格点,拟合得到所述点云地图中所述目标对象的拟合面;
基于所述初始点云与所述拟合面之间的距离,从所述初始点云中提取所述目标对象的点云。
一种点云的提取装置,包括:
初始点云获取模块,用于获取点云地图中目标对象的初始点云;
有效网格获取模块,用于网格化所述点云地图,获取包含有所述初始点云的多个有效网格;
网格点确定模块,用于根据所述初始点云在各有效网格中的位置分布,将表征所述各有效网格中点云集中分布的位置点作为所述各有效网格对应的网格点;
拟合面确定模块,用于利用所述各有效网格对应的网格点,拟合得到所述点云地图中所述目标对象的拟合面;
目标点云提取模块,用于基于所述初始点云与所述拟合面之间的距离,从所述初始点云中提取所述目标对象的点云。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取点云地图中目标对象的初始点云;网格化所述点云地图,获取包含有所述初始点云的多个有效网格;根据所述初始点云在各有效网格中的位置分布,将表征所述各有效网格中点云集中分布的位置点作为所述各有效网格对应的网格点;利用所述各有效网格对应的网格点,拟合得到所述点云地图中所述目标对象的拟合面;基于所述初始点云与所述拟合面之间的距离,从所述初始点云中提取所述目标对象的点云。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取点云地图中目标对象的初始点云;网格化所述点云地图,获取包含有所述初始点云的多个有效网格;根据所述初始点云在各有效网格中的位置分布,将表征所述各有效网格中点云集中分布的位置点作为所述各有效网格对应的网格点;利用所述各有效网格对应的网格点,拟合得到所述点云地图中所述目标对象的拟合面;基于所述初始点云与所述拟合面之间的距离,从所述初始点云中提取所述目标对象的点云。
上述点云的提取方法、装置、计算机设备和存储介质,获取点云地图中目标对象的初始点云,然后将点云地图进行网格化,获取包含有初始点云的多个有效网格,接着根据初始点云在各个有效网格中的位置分布,将表征各有效网格中点云集中分布的位置点作为各有效网格对应的网格点,并利用这些网格点拟合出点云地图中目标对象的拟合面,最后根据该拟合面与初始点云之间的距离从初始点云中提取目标对象的点云。该方案先获取包含有初始点云的多个有效网格,然后将有效网格中点云分布集中的位置点作为网格点,并基于这些网格点形成对目标对象的拟合面,从而即可从初始点云中提取位于该拟合面附近的点云作为目标对象的点云,提高从点云地图中提取稠密点云的效率。
附图说明
图1为一个实施例中点云的提取方法的流程示意图;
图2为一个实施例中形成网格点的示意图;
图3为一个实施例中形成拟合面的示意图;
图4为一个实施例中利用各有效网格对应的网格点,拟合得到点云地图中目标对象的拟合面的步骤的流程示意图;
图5为一个实施例中由多边形网络构成的拟合面的示意图;
图6为一个实施例中在拟合面附近填充点云的示意图;
图7为一个实施例中点云的提取装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种点云的提取方法,该方法可以应用于服务器、终端等计算机设备,本申请提供的点云的提取方法,可以包括以下步骤:
步骤S101,获取点云地图中目标对象的初始点云。
本步骤中,计算机设备从点云地图中获取目标对象的初始点云。其中,目标对象可以是具有平面和/或曲面结构的对象,以室外场景为例,目标对象可以是例如路面、路侧交通设施、建筑物等对象,以室内场景为例,目标对象可以是例如墙体、内饰等对象;点云地图中目标对象的初始点云可以是将点云地图中的原始点云进行预处理后得到的位于该目标对象附近区域的点云。示例性的,对于例如路面等静态的目标对象,计算机设备可以先将原始点云中例如移动物体等干扰对象对应的点云进行过滤,然后从过滤后的原始点云中将位于目标对象附近区域的点云作为初始点云。
在一些实施例中,步骤S101具体包括:获取点云地图中的原始点云;根据原始点云对应的位姿信息,确定点云地图中的目标对象;根据原始点云与目标对象之间的距离,从原始点云中获取初始点云。
本实施例中,计算机设备获取点云地图中的原始点云后,可以根据原始点云对应的位姿信息确定目标对象所在空间位置,根据目标对象所在空间位置截取原始点云。具体的,可以获取各原始点云与该目标对象所在空间位置之间的距离,根据该距离选取出位于该空间位置附近的原始点云作为初始点云,在实际应用中,当原始点云与该目标对象所在空间位置之间的距离小于预设距离阈值时,认为该原始点云位于该目标对象附近,从而可以将该原始点云作为初始点云。
以路面作为目标对象为例对初始点云的上述获取过程进行说明。具体的,计算机设备获取点云地图中的原始点云后,可以根据原始点云对应的位姿信息确定路面对应的法向量,在点云采集车的车体坐标系下该以该路面为基准平面截取原始点云,具体可以获取各原始点云与该基准平面之间的距离,根据该距离选取出位于该基准平面附近的原始点云作为路面的初始点云,其中,当原始点云与该基准平面之间的距离小于预设距离阈值时,计算机设备可确定原始点云位于该基准平面附近,将该原始点云作为路面的初始点云。
通过本实施例的技术方案,可以基于点云与目标对象之间的距离初步锁定目标对象的点云所在区域,为进一步从中提取其点云做准备。
步骤S102,网格化点云地图,获取包含有初始点云的多个有效网格;
本步骤中,计算机设备可以将点云地图进行三维网格化,每个三个网格可以包含有或者不包含有初始点云,计算机设备可进一步将包含有初始点云的三维网格作为有效网格,有效网格的数量通常是多个,而每个有效网格中可以包含一个或者多个初始点云。
在一些实施例中,步骤S102具体包括:网格化点云地图,得到多个网格;将包含大于或者等于预设数量的初始点云的网格作为有效网格。
具体的,计算机设备可以将点云地图进行三维网格化后得到多个三维网格,根据各三维网格所包含的点云数量对网格进行筛选,具体的,可以将各三维网格所包含的点云数量与预设数量进行比较,若三维网格所包含的点云数量大于或者等于预设数量,则将该三维网格作为有效网格。通过这种方式,可以在构建有效网格的阶段将仅包含受环境光或者点云采集设备例如激光雷达自身等情况产生的噪点的三维网格进行过滤,以提高提取点云的准确性。
步骤S103,根据初始点云在各有效网格中的位置分布,将表征各有效网格中点云集中分布的位置点作为各有效网格对应的网格点;
对于每一个有效网格而言,均包含有初始点云,这些初始点云会在各自的有效网格中形成一定的位置分布,例如有效网格中某些区域分布有较多的初始点云,而某些区域分布较少的或者未分布有初始点云,也即,在每个有效网格中均由能够表征点云集中分布的位置点,可将这些位置点作为每个有效网格对应的网格点。
示例性的,如图2所示,针对形成对应网格点之前的有效网格210,有效网格210中可以包含有多个初始点云211,这些初始点云211在有效网格210中形成一定的三维位置分布,计算机设备可以根据该三维位置分布,将表征该有效网格210中点云集中分布的位置点作为该有效网格210对应的网格点221,从而得到形成对应网格点221的有效网格220。
本步骤通过初始点云的位置分布初步确定出点云分布较为聚集的位置点并作为相应有效网格的网格点,这样所有的有效网格均可由一个点来代替形成一个稀疏的针对目标对象的点云骨架,为进一步依据该位置点提取其点云做准备。
步骤S104,利用各有效网格对应的网格点,拟合得到点云地图中目标对象的拟合面;
本步骤中,计算机设备在确定每个有效网格对应的网格点后,可以根据各网格点及其相邻的网格点所在位置拟合出点云地图中目标对象的拟合面。
具体的,如图3所示,针对于拟合出点云地图中目标对象的拟合面之前的包括多个示例有效网格的区域310,该区域310中每个有效网格均包含有如311部分至314部分所示的多个初步点云,每个有效网格均对应形成的如321部分至324部分所示的网格点,然后这些网格点可以拟合出拟合面,示例性的,322部分所示的网格点可以与321部分、323所示的两个网格点拟合出3213部分所示的拟合平面,324部分所示的网格点可以与321部分、323所示的两个网格点拟合出3413部分所示的拟合平面,然后计算机设备可以将3213部分所示的拟合平面和3413部分所示的拟合平面作为点云地图中目标对象的拟合面,得到拟合出点云地图中目标对象的拟合面的区域320。通过这种方式可以基于各有效网格对应的网格点形成近似于点云地图中目标对象的拟合面,并且可以确保目标对象的点云相对集中地分布在该拟合面附近。
步骤S105,基于初始点云与拟合面之间的距离,从初始点云中提取目标对象的点云。
具体的,计算机设备在得到点云地图中目标对象的拟合面后,获取各初始点云与拟合面之间的距离,若该距离小于设定的距离阈值,则计算机设备可以将该初始点云以填充至该拟合面附近作为目标对象的点云。
上述点云的提取方法,获取点云地图中目标对象的初始点云,然后将点云地图进行网格化,获取包含有初始点云的多个有效网格,接着根据初始点云在各个有效网格中的位置分布,将表征各有效网格中点云集中分布的位置点作为各有效网格对应的网格点,并利用这些网格点拟合出点云地图中目标对象的拟合面,最后根据该拟合面与初始点云之间的距离从初始点云中提取目标对象的点云。该方案先获取包含有初始点云的多个有效网格,然后将有效网格中点云分布集中的位置点作为网格点,并基于这些网格点形成对目标对象的拟合面,从而即可从初始点云中提取位于该拟合面附近的点云作为目标对象的点云,提高从点云地图中提取稠密点云的效率。
在一个实施例中,步骤S103中根据初始点云在各有效网格中的位置分布,将表征各有效网格中点云集中分布的位置点作为各有效网格对应的网格点,具体包括:
根据初始点云在有效网格中的位置分布,确定有效网格中所包含的各初始点云对应的位置权重;根据位置权重以及有效网格中所包含的各初始点云的位置坐标,确定表征各有效网格中点云集中分布的位置点,得到网格点。
本实施例中,可以对各有效网格中初始点云的位置分布进行正态分布分析,根据正态分布的分析结果确定每个有效网格中所包含的各初始点云对应的位置权重,其中,对于越靠近位置分布中心的初始点云可赋予更高的位置权重。然后,计算机设备进一步获取每个初始点云的位置坐标,根据位置权重和位置坐标进行加权平均,可以得到上述表征各有效网格中点云集中分布的位置点,该位置点即可作为各有效网格对应的网格点,从而保证所确定的网格点能够为每个网格定位出目标对象的点云分布相对集中的位置。
具体的,对有效网格中的所有初始点云进行正态分布分析确定出各初始点云在正态分布曲面上的位置以及与该正态分布曲面呈现的点云分布中心,进一步的,可根据各初始点云在正态分布曲面上的位置为各初始点云分配位置权重,其中,越接近点云分布中心的初始点云,分配越大的位置权重,而越远离点云分布中心的初始点云,则分配越小的位置权重,最后将各初始点云与其对应的位置权重进行加权平均得到的位置坐标,作为这些初始点云所在有效网格对应的网格点的位置坐标,从而可以确定出每个有效网格对应的网格点。
进一步的,若对有效网格中的所有初始点云进行正态分布分析过程中,分析得到有效网格中包含多个点云分布中心,则可能说明在网格化过程中采用了过大的划分尺度进行网格划分,也可能说明是由于目标对象的表面不平整等原因造成有效网格内形成了多个点云分布中心,对于这种情况,可以将有效网格进一步划分为多个有效子网格,以使得每个有效子网格包含上述多个点云分布中心中的一个,例如可以分别以每个点云分布中心为子网格中心并采用比有效网格的网格尺度小的网格尺度来构建有效子网格。由此,每个有效子网格内都可以采用上述实施例中提供的位置权重分配方式确定出各有效子网格对应的网格点,对于原包含该有效子网格的有效网格,则不计算其对应的网格点,直接采用这些有效子网格对应的网格点进行替代即可。
对于后续利用网格点拟合目标对象的拟合面时,在具有有效子网格对应的网格点的情况下,可在各有效网格对应的网格点的基础上加上这些有效子网格对应的网格点拟合点云地图中目标对象的拟合面,以使得对目标对象的拟合更精细化。
在一些实施例中,如图4所示,步骤S104中的利用各有效网格对应的网格点,拟合得到点云地图中目标对象的拟合面,可以包括:
步骤S401,从各有效网格对应的网格点中确定作为拟合中心的多个目标网格点;
具体的,计算机设备可以将每一个网格点都作为拟合中心即均作为目标网格点,也可以将各网格点中的部分网格点作为目标网格点。
步骤S402,基于各目标网格点以及与各目标网格点相邻的网格点,拟合得到多个拟合平面;
本步骤中,每一个目标网格点均拟合出一个拟合平台,针对每一个目标网格点,计算机设备根据该目标网格点与该目标网格点相邻的网格点的位置,拟合得到拟合平面。具体的,可以以目标网格点为拟合中心,在预设的搜索半径内搜索与该目标网格点相邻的各个网格点的位置,根据目标网格点与这些相邻网格点的位置利用例如最小二乘法共同拟合出一个拟合平面,以此可以得到以各目标网格点为中心的多个拟合平面。
步骤S403,根据各拟合平面之间的交线形成的多边形网络,得到由所述多边形网络构成的所述拟合面。
本步骤主要是在得到以各目标网格点为中心的多个拟合平面后,由于各拟合平面之间会形成交线,计算机设备可将这些交线所形成多边形网络构成点云地图中目标对象的拟合面。
示例性的,以路面作为目标对象对多个多边形网格形成拟合面进行举例,如图5所示,510部分所指示的是点云地图中的路面,520部分所指示的是该路面的拟合面所在区域,该拟合面由例如521至523部分所示的多个多边形网络构成。本实施例的方案可将点云地图中例如路面等目标对象的平面和/或曲面结构采用拟合面中多边形网络来近似,通过该拟合面锁定目标对象点云所集中分布的位置,在此基础上也简化了确定目标对象所在位置的方式。
进一步的,在一个实施例中,步骤S401中从各有效网格对应的网格点中确定作为拟合中心的多个目标网格点,可以包括:
将各有效网格对应的网格点进行聚类,得到归属于不同类别的网格点集;将各类别的网格点集中包含有数量大于预设数量阈值的网格点的网格点集作为目标对象类网格点集;从目标对象类网格点集中确定多个目标网格点。
本实施例中,计算机设备从网格点中挑选作为拟合中心的目标网格点之前,可先对网格点进行聚类,以便更精确地锁定目标对象的点云所在位置。具体的,计算机设备可以利用例如宽度优先搜索算法对各网格点进行聚类,得到归属于不同类别的网格点集,从而可以根据各类别的网格点集中所包含的网格点的数量对这些网格点进行去噪处理,以去除这些网格点中所存在的噪点,以路面为例,则可以先去除网格点中所存在的例如街道两旁的树木以及没有去除干净的自行车、摩托车等噪点。进一步的,计算机设备可以确定各类别的网格点集中所包含的网格点的数量,当检测到网格点集中包含有数量大于预设数量阈值的网格点的网格点集,将该网格点集对应的类别设为目标对象类,即将该网格点集作为目标对象类网格点集,然后计算机设备可以从该目标对象类网格点集中的网格点中确定前述多个目标网格点进行平面拟合处理以提高所拟合平面的准确性。
在一些实施例中,步骤S105中的基于初始点云与拟合面之间的距离,从初始点云中提取目标对象的点云,包括:
形成以拟合面为区域中心且具有预设展宽的取点区域;若初始点云与拟合面之间的距离表征初始点云位于取点区域内,则将位于取点区域内的初始点云作为目标对象的点云。
本实施例中,计算机设备在确定拟合面后,可以以该拟合面为区域中心对周围的初始点云的位置分布进行正态分布分析,并将正态分布中例如一个标准差所对应的位置分布范围作为预设展宽,由此构成以拟合面为区域中心且具有一个标准差所对应的位置分布范围的取点区域。
在确定该取点区域后,可根据初始点云与作为区域中心的拟合面之间的距离,判断初始点云是否位于该取点区域内,示例性的,若初始点云与作为区域中心的拟合面之间的距离小于上述标准差,则判断初始点云位于该取点区域内。其中,若初始点云位于该取点区域内,则计算机设备可以进一步将这些位于取点区域内的初始点云填充至该取点区域中以形成目标对象的点云。具体的,如图6所示,计算机设备可形成以拟合面610为区域中心且具有一个标准差所对应的位置分布范围的取点区域,将位于取点区域内的初始点云填充至该取点区域以形成点云地图中目标对象的点云。通过本实施例的方案,可在整体上确定了网格点所构成的对点云地图中目标对象的拟合面的基础上,于拟合面附近精确地填充得到点云地图中目标对象的稠密点云。
应该理解的是,虽然图1和图4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1和图4中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种点云的提取装置,该装置700可以包括:
初始点云获取模块701,用于获取点云地图中目标对象的初始点云;
有效网格获取模块702,用于网格化所述点云地图,获取包含有所述初始点云的多个有效网格;
网格点确定模块703,用于根据所述初始点云在各有效网格中的位置分布,将表征所述各有效网格中点云集中分布的位置点作为所述各有效网格对应的网格点;
拟合面确定模块704,用于利用所述各有效网格对应的网格点,拟合得到所述点云地图中所述目标对象的拟合面;
目标点云提取模块705,用于基于所述初始点云与所述拟合面之间的距离,从所述初始点云中提取所述目标对象的点云。
在一个实施例中,初始点云获取模块701,进一步用于获取所述点云地图中的原始点云;根据所述原始点云对应的位姿信息,确定所述点云地图中的所述目标对象;根据所述原始点云与所述目标对象之间的距离,从所述原始点云中获取所述初始点云。
在一个实施例中,有效网格获取模块702,进一步用于网格化所述点云地图,得到多个网格;将包含大于或者等于预设数量的初始点云的网格作为所述有效网格。
在一个实施例中,网格点确定模块703,进一步用于根据所述初始点云在所述有效网格中的位置分布,确定所述有效网格中所包含的各初始点云对应的位置权重;根据所述位置权重以及所述有效网格中所包含的各初始点云的位置坐标,确定所述表征所述各有效网格中点云集中分布的位置点,得到所述网格点。
在一个实施例中,拟合面确定模块704,进一步用于从所述各有效网格对应的网格点中确定作为拟合中心的多个目标网格点;基于各目标网格点以及与所述各目标网格点相邻的网格点,拟合得到所述多个拟合平面;根据各拟合平面之间的交线形成的多边形网络,得到由所述多边形网络构成的所述拟合面。
在一个实施例中,拟合面确定模块704,进一步用于将所述各有效网格对应的网格点进行聚类,得到归属于不同类别的网格点集;将各类别的网格点集中包含有数量大于预设数量阈值的网格点的网格点集作为目标对象类网格点集;从所述目标对象类网格点集中确定所述多个目标网格点。
在一个实施例中,目标点云提取模块705,进一步用于形成以所述拟合面为区域中心且具有预设展宽的取点区域;若所述初始点云与所述拟合面之间的距离表征所述初始点云位于所述取点区域内,则将位于所述取点区域内的所述初始点云作为所述目标对象的点云。
关于点云的提取装置的具体限定可以参见上文中对于点云的提取方法的限定,在此不再赘述。上述点云的提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,也可以是终端,其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种点云的提取方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种点云的提取方法,其特征在于,所述方法包括:
获取点云地图中目标对象的初始点云;
三维网格化所述点云地图,获取包含有所述初始点云的多个有效网格;
根据所述初始点云在各有效网格中的位置分布,将表征所述各有效网格中点云集中分布的位置点作为所述各有效网格对应的网格点;
从所述各有效网格对应的网格点中确定作为拟合中心的多个目标网格点;基于各目标网格点以及与所述各目标网格点相邻的网格点,拟合得到以各目标网格点为中心的多个拟合平面;根据各拟合平面之间的交线形成的多边形网络,得到由所述多边形网络构成的拟合面;
基于所述初始点云与所述拟合面之间的距离,从所述初始点云中提取所述目标对象的点云。
2.根据权利要求1所述的方法,其特征在于,所述获取点云地图中目标对象的初始点云,包括:
获取所述点云地图中的原始点云;
根据所述原始点云对应的位姿信息,确定所述点云地图中的所述目标对象;
根据所述原始点云与所述目标对象之间的距离,从所述原始点云中获取所述初始点云。
3.根据权利要求1所述的方法,其特征在于,所述三维网格化所述点云地图,获取包含有所述初始点云的多个有效网格,包括:
三维网格化所述点云地图,得到多个网格;
将包含大于或者等于预设数量的初始点云的网格作为所述有效网格。
4.根据权利要求1所述的方法,其特征在于,所述根据所述初始点云在各有效网格中的位置分布,将表征所述各有效网格中点云集中分布的位置点作为所述各有效网格对应的网格点,包括:
根据所述初始点云在所述有效网格中的位置分布,确定所述有效网格中所包含的各初始点云对应的位置权重;
根据所述位置权重以及所述有效网格中所包含的各初始点云的位置坐标,确定所述表征所述各有效网格中点云集中分布的位置点,得到所述网格点。
5.根据权利要求1所述的方法,其特征在于,所述从所述各有效网格对应的网格点中确定作为拟合中心的多个目标网格点,包括:
将所述各有效网格对应的网格点进行聚类,得到归属于不同类别的网格点集;
将各类别的网格点集中包含有数量大于预设数量阈值的网格点的网格点集作为目标对象类网格点集;
从所述目标对象类网格点集中确定所述多个目标网格点。
6.根据权利要求1所述的方法,其特征在于,所述基于所述初始点云与所述拟合面之间的距离,从所述初始点云中提取所述目标对象的点云,包括:
形成以所述拟合面为区域中心且具有预设展宽的取点区域;
若所述初始点云与所述拟合面之间的距离表征所述初始点云位于所述取点区域内,则将位于所述取点区域内的所述初始点云作为所述目标对象的点云。
7.一种点云的提取装置,其特征在于,包括:
初始点云获取模块,用于获取点云地图中目标对象的初始点云;
有效网格获取模块,用于三维网格化所述点云地图,获取包含有所述初始点云的多个有效网格;
网格点确定模块,用于根据所述初始点云在各有效网格中的位置分布,将表征所述各有效网格中点云集中分布的位置点作为所述各有效网格对应的网格点;
拟合面确定模块,用于从所述各有效网格对应的网格点中确定作为拟合中心的多个目标网格点;基于各目标网格点以及与所述各目标网格点相邻的网格点,拟合得到以各目标网格点为中心的多个拟合平面;根据各拟合平面之间的交线形成的多边形网络,得到由所述多边形网络构成的拟合面;
目标点云提取模块,用于基于所述初始点云与所述拟合面之间的距离,从所述初始点云中提取所述目标对象的点云。
8.根据权利要求7所述的装置,其特征在于,所述拟合面确定模块,用于将所述各有效网格对应的网格点进行聚类,得到归属于不同类别的网格点集;将各类别的网格点集中包含有数量大于预设数量阈值的网格点的网格点集作为目标对象类网格点集;从所述目标对象类网格点集中确定所述多个目标网格点。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011083755.4A CN112329789B (zh) | 2020-10-12 | 2020-10-12 | 点云的提取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011083755.4A CN112329789B (zh) | 2020-10-12 | 2020-10-12 | 点云的提取方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112329789A CN112329789A (zh) | 2021-02-05 |
CN112329789B true CN112329789B (zh) | 2022-05-17 |
Family
ID=74314807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011083755.4A Active CN112329789B (zh) | 2020-10-12 | 2020-10-12 | 点云的提取方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112329789B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113157836B (zh) * | 2021-03-12 | 2022-07-19 | 广西壮族自治区中国科学院广西植物研究所 | 一种空间点数据集周围数据提取方法、装置及存储介质 |
CN115546237A (zh) * | 2021-06-29 | 2022-12-30 | 富泰华工业(深圳)有限公司 | 点云密度调整方法、电子设备及存储介质 |
CN113935425A (zh) * | 2021-10-21 | 2022-01-14 | 中国船舶重工集团公司第七一一研究所 | 物体识别方法、装置、终端和存储介质 |
CN114001654B (zh) * | 2021-11-01 | 2024-03-26 | 北京卫星制造厂有限公司 | 工件端面位姿评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145677A (zh) * | 2017-06-15 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、设备及存储介质 |
CN111179274A (zh) * | 2019-12-30 | 2020-05-19 | 深圳一清创新科技有限公司 | 地图地面分割方法、装置、计算机设备和存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408604A (zh) * | 2016-09-22 | 2017-02-15 | 北京数字绿土科技有限公司 | 一种点云数据的滤波方法及装置 |
CN109766404B (zh) * | 2019-02-12 | 2020-12-15 | 湖北亿咖通科技有限公司 | 点云处理方法、装置及计算机可读存储介质 |
CN110322497A (zh) * | 2019-06-18 | 2019-10-11 | 中国石油大学(华东) | 一种基于三维可视化的交互式点云对象提取方法 |
-
2020
- 2020-10-12 CN CN202011083755.4A patent/CN112329789B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145677A (zh) * | 2017-06-15 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、设备及存储介质 |
CN111179274A (zh) * | 2019-12-30 | 2020-05-19 | 深圳一清创新科技有限公司 | 地图地面分割方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112329789A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329789B (zh) | 点云的提取方法、装置、计算机设备和存储介质 | |
CN108763287B (zh) | 大规模可通行区域驾驶地图的构建方法及其无人驾驶应用方法 | |
US10127670B2 (en) | Computer vision systems and methods for detecting and modeling features of structures in images | |
US20210333108A1 (en) | Path Planning Method And Device And Mobile Device | |
CN108198145A (zh) | 用于点云数据修复的方法和装置 | |
CN106408604A (zh) | 一种点云数据的滤波方法及装置 | |
CN111862292B (zh) | 输电线路走廊的数据渲染方法、装置和计算机设备 | |
CN109145489B (zh) | 一种基于概率图的障碍物分布仿真方法、装置以及终端 | |
CN112070870B (zh) | 点云地图评估方法、装置、计算机设备和存储介质 | |
CN111179274A (zh) | 地图地面分割方法、装置、计算机设备和存储介质 | |
CN107240153A (zh) | 基于dsm的无人机飞行安全区域计算显示方法 | |
CN111121785A (zh) | 一种基于图搜索的无道路路径规划方法 | |
CN112435337A (zh) | 一种景观可视域分析方法及系统 | |
CN104657968A (zh) | 车载三维激光点云立面分类及轮廓线提取自动化方法 | |
CN114519712A (zh) | 一种点云数据处理方法、装置、终端设备及存储介质 | |
CN116051777B (zh) | 超高层建筑提取方法、设备和可读存储介质 | |
CN116246069B (zh) | 自适应地形点云滤波的方法、装置、智能终端及存储介质 | |
CN116912817A (zh) | 三维场景模型拆分方法、装置、电子设备和存储介质 | |
CN113822892B (zh) | 仿真雷达的评测方法、装置、设备及计算机存储介质 | |
CN111742242A (zh) | 点云处理方法、系统、设备及存储介质 | |
CN116434181A (zh) | 地面点检测方法、装置、电子设备和介质 | |
CN112669461B (zh) | 机场净空安全检测方法、装置、电子设备及存储介质 | |
CN111898648A (zh) | 路网图生成方法、装置、电子设备和计算机可读存储介质 | |
CN113093798B (zh) | 基于电场分布的无人机巡检避险方法、装置及存储介质 | |
CN115270520B (zh) | 一种基于高程网格的低空监视性能仿真分析方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |